TDengine 3.3.6.0版本发布:时序数据库的重大升级
时序数据库TDengine近日发布了3.3.6.0版本,这是一次功能丰富且性能显著提升的重要更新。TDengine作为一款专为物联网、工业互联网等场景设计的高性能时序数据库,在本次更新中引入了多项创新功能和优化改进,进一步巩固了其在时序数据处理领域的领先地位。
核心功能增强
本次版本最引人注目的新特性之一是全面支持Decimal数据类型。Decimal类型能够精确表示高精度数值,特别适合金融、计量等对数据精度要求极高的应用场景。开发团队不仅实现了基础支持,还确保该类型能够在Rust连接器、Explorer工具等全生态链中无缝使用。
在数据管理方面,3.3.6.0版本引入了超级表级别的数据保留策略控制。通过KEEP参数,用户现在可以针对单个超级表设置其时间序列数据的保留周期,这为多租户环境下的精细化管理提供了极大便利。同时,磁盘空间管理也更加灵活,minFreeDiskSize参数的最大值已提升至2TB,满足大规模数据存储需求。
性能优化与稳定性提升
查询性能方面,新版本对标签分组(group by tag)查询和降采样查询进行了深度优化。通过改进算法和缓存机制,这些常见时序查询场景的响应速度得到了显著提升。特别值得一提的是,自动建表写入性能的优化,使得高并发写入场景下的吞吐量大幅提高。
在流计算引擎方面,3.3.6.0版本引入了多项增强功能:新增了continue_window_close触发模式,支持为事件窗口和状态窗口设置最小持续时间限制,并增加了窗口事件通知机制。这些改进使得流处理更加灵活和可靠。同时,流计算现在也支持虚拟表,进一步扩展了应用场景。
企业级功能强化
对于企业用户,新版本在多级存储、双副本集群等方面进行了重要增强。数据文件在多磁盘间的分布更加均衡,显著提升了存储效率。双副本集群的恢复机制得到优化,新增了"assign leader"命令,有效解决了高WAL版本节点无法启动时的集群恢复问题。
备份功能也获得了S3存储支持,用户现在可以将数据直接备份到S3兼容的存储系统中。同时,新增的持久化缓存机制确保了数据的完整性,为企业级数据可靠性提供了额外保障。
开发者体验改进
为提升开发者体验,3.3.6.0版本在多个方面进行了优化。SQL语法方面新增了greatest和least函数,提供了regexp作为match操作符的别名,增强了SQL表达力。STMT接口经过重构后,查询和写入性能得到显著提升。
连接器生态也获得全面增强:JDBC驱动支持了高效写入模式;WebSocket接口新增了taos_validate_sql功能;所有组件现在都支持包含特殊字符的长密码(最长255字符)。特别是新增的虚拟表功能,为特殊数据源的集成提供了标准化接口。
运维与管理工具
新版本在运维便利性上也有显著提升。show disk_info命令的输出更加准确直观,新增了百分比显示压缩率。通过show vnodes命令可以监控vnode恢复进度,便于运维人员掌握系统状态。
值得一提的是,企业版中新增了inspect工具,为系统健康检查和问题诊断提供了专业支持。安装脚本也进行了优化,支持使用-e参数进行静默卸载,简化了部署流程。
兼容性与问题修复
在兼容性方面,3.3.6.0版本改进了taosc的兼容性,确保新旧版本间的平滑过渡。同时修复了包括内存泄漏、查询结果异常、Windows平台稳定性等在内的多个问题,提升了整体可靠性。
总的来说,TDengine 3.3.6.0版本在功能丰富性、性能表现和系统稳定性方面都达到了新的高度,为时序数据管理提供了更加强大和可靠的解决方案。无论是物联网设备监控、工业互联网数据分析,还是金融时序数据处理,新版本都能提供卓越的支持。
atomcodeClaude Code 的开源替代方案。连接任意大模型,编辑代码,运行命令,自动验证 — 全自动执行。用 Rust 构建,极致性能。 | An open-source alternative to Claude Code. Connect any LLM, edit code, run commands, and verify changes — autonomously. Built in Rust for speed. Get StartedRust0194
cann-learning-hubCANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。Jupyter Notebook0121
MiMo-V2.5-Pro-FP4-DFlashMiMo-V2.5-Pro-FP4-DFlash 是驱动 MiMo-V2.5-Pro-UltraSpeed 的底层模型: FP4 量化骨干网络:对 MoE 专家采用 MXFP4 量化,同时保持模型其他部分的更高精度,在几乎无损质量的前提下,显著减小模型体积并降低内存带宽压力。 BF16 DFlash 草稿生成器:用于块扩散推测解码,每次前向传播可生成一整个块的 tokens,并让骨干网络一步完成验证。 两者协同作用,既降低了每参数的位宽,又减少了骨干网络前向传播的次数,而这两者正是万亿参数模型解码过程中的两大主要成本来源。Python00
JoyAI-EchoJoyAI-Echo,这是一个独立的、仅用于推理的版本,旨在实现分钟级多镜头音视频生成。它采用了经过蒸馏的DMD生成器、配对的跨模态记忆以及故事级别的一致性。其性能的核心在于,一个跨模态视听记忆库能够在长达五分钟的视频中保持角色外观和语音音色的一致性。同时,一个训练后处理流程将基于记忆的强化学习与分布匹配蒸馏相结合,实现了7.5倍的速度提升,显著增强了视觉质量和对齐效果。00
AstrBot✨ 易上手的多平台 LLM 聊天机器人及开发框架 ✨ 平台支持 QQ、QQ频道、Telegram、微信、企微、飞书 | OpenAI、DeepSeek、Gemini、硅基流动、月之暗面、Ollama、OneAPI、Dify 等。附带 WebUI。Python05
handy-ollama动手学Ollama,CPU玩转大模型部署,在线阅读地址:https://datawhalechina.github.io/handy-ollama/Jupyter Notebook06